Решение задачи методом Гомори
Во многих экономических задачах переменные выражают физически неделимые объекты и потому могут принимать только натуральные значения. Соответственно, в таких задачах на переменные накладывается дополнительное требование их целочисленности.
(1.1)
Присоединяя равенство (1.1) к ранее решенной задаче, получить новую задачу линейного программирования, которую вновь решить симплексным методом. Если ее оптимальное решение окажется целочисленным, то оно и будет оптимальным решением исходной задачи. Если снова получится нецелочисленное решение, то построить новое сечение, и т.д.
Пример. Найти наибольшее значение функции
при ограничениях:
2. Метод ветвей и границ
Задача линейного программирования решается без учета целочисленности. Такая задача называется непрерывной. Далее рассматривают одну из переменных xj, на которую накладывают ограничение целочисленности, но которая получила дробное значение. На основе полученного решения составляют дополнительные ограничения:
xj ≤ [ ] и xj ≥ [ ] + 1,
где [ ] — целая часть нецелочисленного значения переменной в оптимальном решении, и затем решаются еще две задачи линейного программирования, в каждую из которых вошли все исходные ограничения и одно из дополнительных.
Полученное решение новых задач проверяют на целочисленность переменных. Если решение не удовлетворяет требованию целочисленности, на основе каждой из задач составляют, аналогично предыдущим, две новые и т. д.
Если одно из решений удовлетворяет требованию целочисленности, значение целевой функции принимается за граничное Lгр. При этом рассмотрение других задач продолжается до тех нор, пока не будет получено:
на одной из ветвей недопустимое решение;
на одной из ветвей целочисленное решение. Тогда значение целевой функции сравнивается с Lгр (верхним - при max, нижним - при min); если полученное значение хуже, оно отбрасывается; если лучше, то принимается за граничное;
на одной из ветвей нецелочнеленное решение, однако при этом значение целевой функции хуже граничного. Тогда дальнейшее рассмотрение также прекращается. На первом цикле расчета
Таким образом, для получения целочисленного решения методом ветвей и границ приходится решать большое число задач линейного программирования, причем в каждом очередном ветвлении число ограничений увеличивается на 1. Поэтому время решения задачи целочисленного программирования по сравнению с непрерывной значительно увеличивается.
Пример 1.
max L = 7x1 + 3x2,
Решение. В результате решения задачи симплекс-методом найдем оптимальное решение = 1; = 7,5; L1 = 29,5, где верхний индекс переменных — номер задачи.
В полученном решении x2 = 7,5 — нецелочисленное. Поэтому для дальнейшего решения составляем две новые задачи с различными граничными условиями.
Задача 2. Задача 3.
max L = 7x1 + 3x2, max L = 7x1 + 3x2,
Результаты решения симплекс методом задачи 2: = 1,2; = 7; L2 = 29,4; задачи 3: = 0,75; = 8; L3 = 29,25;
В задаче 1 переменная = 1 — целочисленная, а в последующих задачах при целочисленности х2 перестала быть целочисленной x1. Затем следует накладывать ограничения целочисленности на x1 и т. д. (рис. 2).
Результаты решения непрерывной и целочисленной задачи вводятся в таблице 1. В качестве оптимального принимается решение задачи 5, которое дает наибольшее из целочисленных решений значение целевой функции.
Таблица 1.
N задачи |
X1 |
X2 |
L |
N задачи |
X1 |
X2 |
L |
1 |
1 |
7,5 |
29,5 |
5 |
2 |
5 |
29 |
4 |
1 |
7 |
28 |
6 |
0 |
9 |
27 |
Из примера видно, что метод ветвей и границ достаточно трудоемкий. При этом оптимальное решение может быть получено в результате сравнения всех допустимых целочисленных решений. Поэтому при решении задач реальной размерности может потребоваться память, которой нет даже в современных компьютерах, или потребуется практически неприемлемое время решения.
Обязательное условие метода — наличие верхних границ на значения переменных Dj. Если Dj не назначена, то ее определяют по зависимости:
Где минимальные значения всех , для которых определяется верхняя граница .